Software pro klasifikační učící křivky

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F17%3APR29032" target="_blank" >RIV/00216305:26220/17:PR29032 - isvavai.cz</a>

Výsledek na webu

<a href="http://splab.cz/download/software/software-pro-klasifikacni-ucici-krivky" target="_blank" >http://splab.cz/download/software/software-pro-klasifikacni-ucici-krivky</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Software pro klasifikační učící křivky

Popis výsledku v původním jazyce

V oblasti zpracování a analýzy biomedicínských signálů (např. patologické řeči) je často potřebným krokem analýzy tzv. binární klasifikace. Pro tento účel je v současné době používáno mnoho sofistikovaných klasifikačních technik. Software pro Optimalizaci klasifikační analýzy (CLCT) poskytuje uživateli možnost jednoduchého a rychlého vykreslení tzv. učících křivek, podle kterých můžeme určit, jestli se jedná o tzv. „high-bias“, nebo tzv. „high-variance“ problém a následně určit další postup analýzy. Software CLCT poskytuje možnost optimalizace 6 různých klasifikačních technik: metoda podpůrných vektorů (SVM), naivní Bayesovy sítě (NBN), diskriminační analýza (LDA), k-nejbližších sousedů (kNN), klasifikační stromy (RF) a Gaussovy smíšené modely (GMM). Software poskytuje 18 světově uznávaných metrik pro hodnocení kvality binární klasifikace.

Název v anglickém jazyce

Classification learning curves tool

Popis výsledku anglicky

In the field of biomedical signal processing (e.g. pathological speech signal processing), often it is necessary to use binary classification. For this purpose, the researchers nowadays use multiple sophisticated classification techniques. Classification grid search tool (CLCT) provides an easy and fast way to plot so called learning curves to visualize if we deal with the high-bias or high-variance problem and consequently adjust the following analysis setup. Software SGCT provides the 6 possible classification techniques: Support Vector Machines (SVM), Naive Bayes Networks (NBN), Linear Discriminant Analysis (LDA), k-Nearest Neighbour (kNN), Classification Trees (RF) and Gaussian Mixture Models (GMM). It also provides 18 metrics evaluating quality of classification process.

Druh

R - Software

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

Projekt

<a href="/cs/project/LO1401" target="_blank" >LO1401: Interdisciplinární výzkum bezdrátových technologií</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

Software pro klasifikační učící

Technické parametry

Pro jednání o licenčních podmínkách tohoto softwaru je za VUT pověřen pracovník Centra pro transfer technologií VUT v Brně Ing. Lukáš Novák, Kounicova 966/67a, Veveří, 60200, Brno, Česká republika, novak@ro.vutbr.cz.

Ekonomické parametry

Software je využíván na univerzitě Escola Universitaria Politecnica de Mataro, Avda. Ernest Lluch 32, 08302 Mataro (BARCELONA), Spain a v technologickém kampusu Tecnocampus Mataro-Maresme, Avda. Ernest Lluch 32, 08302 Mataro (BARCELONA) Spain. Pro výzkumné, vývojové a akademické účely je software šířen pod licencí GPL.

IČO vlastníka výsledku

—

Název vlastníka

Ústav telekomunikací